【正文】 模板匹配的計(jì)算量太大，而且 MATLAB對(duì)循環(huán)處理能力非常差，所以在模板匹配的過(guò)程中對(duì)模板進(jìn)行編碼，對(duì)編碼的比較能夠較大的提高運(yùn)算速度，這也是本文今后重點(diǎn)研究的方向。因此，計(jì)算機(jī)對(duì)視頻進(jìn)行拼接時(shí)，總是相對(duì)簡(jiǎn)化、 不精確。從視頻拼接技術(shù) 術(shù)發(fā)展的角度上來(lái)說(shuō)，以下兩個(gè)方面可作為本論文的后繼和深化研究的方向 : 系統(tǒng)。 從目前技術(shù) 情況來(lái)看，人們還沒(méi)有找到一種通用、便捷的方法能實(shí)現(xiàn)快速、高效視頻拼接的方法 。最終實(shí)現(xiàn)了視頻的拼接。 特征提取之后本文采用模板匹配進(jìn)行了拼接，分析模板匹配的原理，同時(shí)本文用程序?qū)嶒?yàn)的結(jié)果證明了此方案的可行性。 分解成圖片之后本文對(duì)分解出來(lái)的圖片進(jìn)行了預(yù)處理，主要利用的方法有直方圖均衡化、中值濾波和低通濾波，實(shí)現(xiàn)對(duì)圖像的增強(qiáng)和去噪，為后面的拼接最好前期準(zhǔn)備。 本文的主要工作是對(duì)視頻的分解和對(duì)分解出的圖片進(jìn)行拼接，主要目的是對(duì)兩個(gè)對(duì)應(yīng)的分解圖片拼接以后利用輔助軟件將拼接后的圖片恢復(fù)成一個(gè)視頻，實(shí)現(xiàn)視頻的拼接。 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 38 頁(yè) 第八 章 結(jié)論與展望 結(jié)論 多媒體技術(shù)和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展成為推動(dòng)基于內(nèi)容的視頻檢索領(lǐng)域前進(jìn)的動(dòng)力，在安全方面監(jiān)控系統(tǒng)越發(fā)的重要，同時(shí)網(wǎng)上購(gòu)物的興起更加凸顯出實(shí)時(shí)視頻的重要性。拼接程序見(jiàn)附錄 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 36 頁(yè) 第 七 章 圖像轉(zhuǎn)換視頻 經(jīng)過(guò)預(yù)處理、匹配和拼接我們已經(jīng)完成了對(duì)從視頻分解出來(lái)的圖片的拼接，但是僅僅是圖片的拼接還沒(méi)有達(dá)到設(shè)計(jì)題目的要求，我們要將處理完的圖片還原成視頻 ，本設(shè)計(jì)在還原視頻的環(huán)節(jié)，利用第三章介紹的會(huì)聲會(huì)影軟件的分享功能進(jìn)行還原。然后將右半部分中的匹配圖像按對(duì)應(yīng)的位置賦值到這副新圖像上，通過(guò)這三副圖像的坐標(biāo)關(guān)系將右半部分的圖像按此關(guān)系賦值到新圖像上完成圖像的拼接。在確定匹配對(duì)以后利用程序在輪廓圖像上做標(biāo)記。 基于輪廓特征的模板匹配算法 本設(shè)計(jì)主要是基于圖像輪廓特征進(jìn)行拼接，所以在模板進(jìn)行掃描時(shí)主要是對(duì)輪廓圖系那個(gè)的匹配。將其 歸一化，得模板匹配的相關(guān)系數(shù)： ? ?? ?? ?? ?? ?? ???M1mN1n2M1mN1n2ijM1mN1nij)]n,m(T[)]n,m(S[)n,m(T)n,m(S)j,i(R (63) 當(dāng)模板和子圖完全一樣時(shí)，相關(guān)系數(shù) 1)j,i(R ? 。 第二項(xiàng)是 模板和子圖的互相關(guān)，隨 )j,i( 而改變。搜索范圍是： 11 i W Mj H N? ? ??? ? ? ?? (61) 通過(guò)比較 T 和 Sij 的相似性，完成模板匹配過(guò)程 圖 模板匹配原理圖 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 29 頁(yè) 注意：圖像的數(shù)據(jù)是從下到上、從左到右排列的。 以 8 位圖像 (其 1 個(gè)像素由 1 個(gè)字節(jié)描述 )為例，模板 T( nm? 個(gè) 像素 )疊放在被搜 索圖 S( HW? 個(gè)像素 )上平移，模板覆蓋被搜索圖的那塊區(qū)域叫子圖 ijS 。 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 28 頁(yè) 第 六 章 圖像拼接 輪廓提取以后，就可以對(duì)兩幅圖片進(jìn)行拼接了，本設(shè)計(jì)采用的是模板匹配的方法進(jìn)行拼接，其中主要是利用模板尋找兩幅圖像中輪廓相同的部分 模板匹配算法 模板就是一幅已知的小圖像 。 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 26 頁(yè) 圖 原圖 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 27 頁(yè) 圖 輪廓 圖 對(duì)運(yùn)行結(jié)果進(jìn)行觀察 canny 算法可以 很好的 提取出圖像的輪廓 。這樣，利用遞歸跟蹤的算法不斷地在 Tl[i， j]中搜集邊緣，直到將 Th[i， j]中所有的間隙都連接起來(lái)為止。由于圖像 Th[i，j]是由高閾值得到，因此它應(yīng)該不含有假邊緣，但 Th[i， j]可能在輪廓上有間斷。如果鄰域中心點(diǎn)的幅值 m[i，j]不比梯度方向上的 2 個(gè)插值結(jié)果大，則將 m[i， j]對(duì)應(yīng)的邊緣標(biāo)志位賦值為 0，這一過(guò)程把 M[i， j]寬屋脊帶細(xì)化為一個(gè)像素寬，并且保留了屋脊的梯度幅值。在每一個(gè)點(diǎn)上，鄰域的中心像素 m[i， j]與沿梯度方向的 2個(gè)梯度幅值的插值結(jié)果進(jìn)行比較。其中， x 和 y 方向偏導(dǎo)數(shù)的 2個(gè)陣列 Px[ij]和Py[ij]分別為： ? ? ? ? ? ? ? ? ? ?? ?, , 1 , 1 , 1 1 , / 2xP i j I i j I i j I i j I i j? ? ? ? ? ? ? ? （ 55）? ? ? ? ? ? ? ? ? ?? ?, , 1 , , 1 1 , 1 / 2yP i j I i j I i j I i j I i j? ? ? ? ? ? ? ? （ 56） 像素的梯度幅值 和梯度方向用直角坐標(biāo)到極坐標(biāo)的坐標(biāo)轉(zhuǎn)化公式計(jì)算， 梯度幅值為： ? ? ? ? ? ?22, , ,xyM i j P i j P i j?? （ 57） 梯度方向?yàn)椋? ? ? ? ? ? ?? ?, ta n , / ,xyi j a rc P i j P i j? ? （ 58） 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 25 頁(yè) 對(duì)梯度幅值進(jìn)行非極大值抑制 為了精確定位邊緣，必須細(xì)化梯度幅值圖像 M[i， j]中的屋脊帶，只保留幅值局部變化最大的點(diǎn)，這一過(guò)程就是非極大值抑制。因此要根據(jù)需要適當(dāng)?shù)剡x取高斯濾波器參數(shù)σ。設(shè)二維高斯函數(shù)為 : 222122( , ) e x p 2xyG x y ?? ?????????? （ 51） 其梯度矢量為： 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 24 頁(yè) ?/ , /G G x G y?? ? ? ? ? ?? （ 52） 用分解的方法提高速度，把 G? 的 2個(gè)濾波卷積模板分解為 2個(gè)一維的行列濾波器： ? ? ? ?22 12/ e x p e x p22xyG x k x h x h y??? ? ? ?? ? ? ? ? ?? ? ? ?? ? ? ? （ 53） ? ? ? ?22 12/ e x p e x p22yxG y k x h y h x??? ? ? ?? ? ? ? ? ?? ? ? ?? ? ? ? （ 54） 其中， k 為常數(shù)，σ為高斯濾波器參數(shù)，它控制著平滑程度。 平滑圖像 Canny 邊緣檢測(cè)算法是高斯函數(shù)的一 階導(dǎo)數(shù)，是對(duì)信噪比與定位精度之乘積的最優(yōu)化逼近算子。 canny 邊緣檢測(cè)算法 Canny 邊緣檢測(cè)可以分為四步來(lái)進(jìn)行。這就是 Canny 邊緣檢測(cè)算子。 Canny 邊緣檢測(cè)的基本原理： (1)圖象邊緣檢測(cè)必須滿足兩個(gè)條件：一能有效地抑制噪聲；二必須盡量精確確定邊緣的位置。 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 23 頁(yè) 第 五 章 輪廓 特征 的 提取 經(jīng)過(guò)視頻分解和預(yù)處理后 ，圖片已經(jīng)符合我們的要求了，接下來(lái)本設(shè)計(jì)對(duì)圖片的特征進(jìn)行提取。 算法實(shí)驗(yàn)結(jié)果 根 據(jù)算法實(shí)現(xiàn)步驟編程、調(diào)試，實(shí)驗(yàn)結(jié)果如圖 所示： 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 22 頁(yè) 圖 邊緣保持自適應(yīng)平滑濾波 對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行觀察，可以看到去噪效果非常好而且圖像的邊緣保持的也很好。s 中的像素個(gè)數(shù) 。s 中像素的灰度均值 ( , )Meanx y 替代 ( , )f xy ? ?39。 2 2 2 2 2 2 2 2 2m in , , , , , , , ,a b c d e f g h is ? ? ? ? ? ? ? ? ?? （ 43） 這個(gè)模板就是待處理像素所在的最大相關(guān)鄰域 。 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 21 頁(yè) 第二步 找出方差值為最小的模板 39。 這一過(guò)程是由算法自身完成 ,具有很強(qiáng)的自適應(yīng)性 。 如果該點(diǎn)是噪聲污染點(diǎn) ， 它將被其所在的最大相關(guān)鄰域內(nèi)的圖像信息點(diǎn)的均值替代 ， 因?yàn)樵肼朁c(diǎn)本身具有奇異性的特征 ， 所以在其最大相關(guān)鄰域內(nèi)的平滑運(yùn)算可 以對(duì)其進(jìn)行抑制 ,起到去噪的效果 . 如果該點(diǎn)是景物邊緣點(diǎn) ,那么它一定也處在邊緣區(qū)域內(nèi) ,所以在其最大相關(guān)鄰域內(nèi)的平滑處理 ， 對(duì)該點(diǎn)信息影響不大 ， 起到保持邊緣的目的 。 在圖像中 ,對(duì)于 被噪聲污染的像素點(diǎn) ,它將使得該鄰域的均方差變大 . 根據(jù)圖像的相關(guān)性 ,一個(gè)沒(méi)有受到噪聲污染的像素點(diǎn)一定會(huì)與其周圍某個(gè)鄰域內(nèi)的統(tǒng)計(jì)特性相關(guān) ,表現(xiàn)在圖像上就是其灰度級(jí)一定會(huì)與其周圍某個(gè)鄰域的灰度級(jí)接近 ,除非該奇異點(diǎn)出乎意料地表示了有用信息而非噪聲的小概率事件的發(fā)貴州大學(xué)畢業(yè)設(shè)計(jì) 第 20 頁(yè) 生 . 本文通過(guò)對(duì)如圖 1 所示的 9 個(gè)模版區(qū)域內(nèi)的像素均方差來(lái)刻畫待處理像素點(diǎn)與其鄰域內(nèi)其它像素點(diǎn)的奇異程度 ,其方差最小的模板區(qū)域就是該點(diǎn)的最大相關(guān)鄰域 . 設(shè) ? ?,f xy 為圖像中坐標(biāo)為 ? ?,xy 的像素點(diǎn)及其灰度值 ,其所處模板像素的灰度分布方差為 2? ， 那么 其方差定義如下： ? ? ? ?? ? 22 1 ,fs f m n f x yN? ???? （ 41） ? ? ? ?1,fsf x y f m nN ?? ? （ 42） 在 式（ 41） 和 式（ 42） 中 ， s 代表像素 ? ?,f xy 所處的模板 ， ? ?,f mn 代表模板 s中的坐標(biāo)為 ? ?? ?,m n m n s? 的像素灰度值 ， ? ?,f xy 代表模板 s 中所有像素的平均值 , N 代表模板中的像素個(gè)數(shù) 。 算法的自適應(yīng)去噪原理 由于圖像信息之間具有很強(qiáng)的相關(guān)性，即圖像像素點(diǎn)的灰度值和它鄰近點(diǎn)的灰度值相差不大，它們處在最大相關(guān)鄰域內(nèi)，而噪聲污染點(diǎn)一般是孤立的，它和鄰近點(diǎn)之間具有奇異性 . 該算法從 9 個(gè)方向最大程度地?cái)M合了一個(gè)像素點(diǎn)可能處于的最大相關(guān)鄰域的情況，所以無(wú)論該點(diǎn)是否處于邊界上面，對(duì)它的處理都可以保證在其所處的最大相關(guān)的鄰域內(nèi)進(jìn)行。 圖 LVAM 算法的模版示意圖 Fig. 1 The template sketch of LVAM LVAM 算法的核心思想是以待處理的像素為中心 ,選擇如圖 所示的a ,b , ? ,i 共 9 個(gè)不同形狀的模板 ,用“○”包圍的像素為當(dāng)前待處理的像素 。 貴州大學(xué)畢業(yè)設(shè)計(jì) 第 19 頁(yè) LVAM 算法 圖像數(shù)據(jù)之間具有很強(qiáng)的關(guān)聯(lián)性和圖像邊緣的不規(guī)則性 ， 利用方差可以反映數(shù)據(jù)間奇異特 征 。 這些去噪算法雖然能夠降 低噪聲 ,但都沒(méi)有充分考慮保持圖像邊緣細(xì)節(jié)的問(wèn)題 ,所以此類算法在去除噪聲的同時(shí) ,也使圖像變得模糊 .本文提出一種新的邊緣保持自適應(yīng)平滑算法 ,該算法提高了在圖像平滑運(yùn)算過(guò)程中邊緣檢測(cè)的方向性 ,分別在 9 個(gè)不同方向上對(duì)邊緣細(xì)節(jié)進(jìn)行檢測(cè)類聚 ,具有很強(qiáng)的方向性和自適應(yīng)性 。 邊緣保持自適應(yīng)平滑濾波 長(zhǎng)期以來(lái) ,人們根據(jù)圖像的特點(diǎn)、噪聲的統(tǒng)計(jì)特征和分布的規(guī)律 ,提出了多種不同的去噪算法 。實(shí)驗(yàn)結(jié)果如圖 和 所示。圖 給出了 中值濾波的 33? 模板， 圖 給出了中值濾波的 55? 模板。一般來(lái)說(shuō)方形的模板對(duì)圖像的細(xì)節(jié)最不敏感，它會(huì)濾除細(xì)線并消除邊緣上的角點(diǎn)。當(dāng)使用給定尺寸的模板時(shí)，可以僅利用其中的一部分像素進(jìn)行計(jì)算以減少計(jì)算量。中值濾波是一種非線性濾波方法 ,既能有效地濾除脈沖噪聲 ,同時(shí)又能保護(hù)某些圖像細(xì)節(jié) ,因此在圖像降噪處理中得到了廣泛的應(yīng)用。常用的降噪方法可分為線性和非線性兩類。 實(shí)驗(yàn)結(jié)果如圖 所示： 圖 直方圖均衡化運(yùn)行結(jié)果 實(shí)驗(yàn)選擇的圖片是傍晚是一號(hào)公寓的一角，經(jīng)過(guò)直方圖均衡化以后觀察運(yùn)行結(jié)果可以看出灰度值的分布寬度明顯變寬，在圖片上直接